Uno de los objetivos primarios de mi canal web consiste en la conversión de visitantes en contactos individualizables que han accedido a facilitar su dirección de correo electrónico. Entre otros, mi Scorecard contiene un importante KPI: Ratio de conversiones contra visitas (con independencia de campaña de origen) que han comenzado a “interaccionar” con mi web (el visitante ha demostrado haber superado el umbral de la visita esporádica y fortuita mediante la satisfacción de un “hito” asociado al nivel de profundidad y el número de páginas visualizadas).

Mi KPI ha arrojado resultados negativos en la comparativa con el período anterior o de referencia (el mes pasado). Quiero investigar posibles cuellos de botella en el proceso de “conversión” y he decidido usar, entre otras tablas, un diagrama de “funnel” (embudo de conversión) limitado a tres pasos. El diagrama muestra una caída especialmente grave (¡65% de las visitas!) entre los pasos penúltimo (registro del nuevo contacto que permitirá la descarga de documentos) y último (confirmación del registro).

Genial. Pero… ¿ahora qué?

Necesito evaluar y medir mis opciones de mejora. Podría dejarme llevar por mi propio instinto y el de mis compañeros e introducir cambios en el formulario de registro para simplificar el lenguaje, añadir un vínculo más prominente a la política de protección de datos o reducir el número de campos obligatorios. A continuación tendría que esperar durante al menos otro mes para cotejar los resultados y, sean mejores o peores, podría engañarme a mi mismo creyendo que la comparativa ha tenido lugar en igualdad de condiciones (es decir, el resto de posibles factores no han intervenido en la mejora o empeoramiento). Algo que no tiene visos de llevarme muy lejos.

¿Cómo puedo corregir la “desigualdad” en los factores que se presentan? La respuesta está en el A/Bn o Multivariate testing. Si aislo cada uno de los cambios sugeridos en el formulario (con sus diferentes opciones) y permito que el propio formulario se “componga” dinámicamente a partir de dichas opciones, de modo tal que las permutaciones de unas y otras vayan presentándose aleatoriamente, podré, una vez alcanzado el punto de “significatividad estadística”, evaluar la mejor combinación posible.

Como en todo, el testing puede realizarse artesanalmente o con herramientas de muy alto nivel. A medio camino se sitúan una multitud de soluciones y el Google Analytics Website Optimizer puede ser una (aunque muy básica) forma de comenzar. Aunque el Website Optimizer se queda muy lejos de lo que Vertster u Offermatica puede llegar a ofrecer, resulta bastante eficaz para evaluar diferentes combinaciones de los elementos identificados para el cambio.

(Detalle de Google Website Optimizer)